WAWAN TRIPUTRA, - (2021) DETEKSI TINGKAT BAHAYA KEBAKARAN HUTAN DAN LAHAN BERDASARKAN INDEKS KEKERINGAN KEETCH-BYRAM MENGGUNAKAN LEARNING VECTOR QUANTIZATION. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

Preview	Text (i) File Lengkap Cover-Lampiran Tanpa Bab IV & V.pdf Download (2MB) | Preview
	Text (BAB IV) (ii) File Hasil Penelitian Bab IV & V.pdf - Published Version Restricted to Repository staff only Download (2MB)

Abstract

Kebakaran hutan dan lahan merupakan salah satu bencana nasional yang sering terjadi di Indonesia. Pada tahun 2013-2018, Provinsi Riau menjadi wilayah yang memiliki jumlah rata-rata luas kebakaran hutan dan lahan tertinggi hampir setiap tahunnya. Kebakaran hutan dan lahan ini dapat terjadi pada berbagai kondisi cuaca, sehingga kondisi cuaca dapat menentukan tinggi atau rendahnya tingkat bahaya kebakaran. Semakin tinggi tingkat bahaya kebakaran maka semakin besar resiko dampak yang mungkin akan ditimbulkan. Oleh karena itu, perlu adanya sebuah sistem yang dapat mendeteksi tingkat bahaya kebakaran hutan dan lahan sejak dini. Pada penelitian ini, dibangunlah sebuah sistem untuk mendeteksi tingkat bahaya kebakaran tersebut berdasarkan Indeks Kekeringan Keetch-Byram dengan menerapkan metode learning vector quantization (LVQ) sebagai algortima klasifikasinya. Indeks kekeringan Keetch-Byram membagi tingkat bahaya kebakaran menjadi empat kelas, yaitu rendah, sedang, tinggi dan ekstrim. Deteksi tingkat bahaya kebakaran hutan dan lahan dilakukan pada wilayah Kota Pekanbaru dan Indragiri Hulu. Variabel yang digunakan untuk mendeteksi tingkat bahaya kebakaran hutan dan lahan ini yaitu temperatur, kelembaban, curah hujan dan kecepatan angin. Dalam pengukuran tingkat keakuratan dari sistem yang sudah dibangun, dilakukan pengujian confusion matrix dengan menggunakan parameter learning rate 0,025; 0,05; 0,075 dan 0,1 pada data random dan data seimbang. Dari berbagai variasi pengujian data, diperoleh akurasi tertinggi yaitu sebesar 61% untuk Kota Pekanbaru dan 62% untuk Indragiri Hulu dengan learning rate 0,025 dan 0,05 pada perbandingan data latih dan data uji 90:10.

Actions (login required)

View Item